Análisis Complejidad Electoral 2019: Municipios
Resumen de resultados y Mapas
INFOTEC-Maestría en Ciencia de Datos e Información
Autor: Miguel David Alvarez Hernández (mdalvarezh@gmail.com)
In [1]:
import datetime
now = datetime.datetime.now()
print ("Última versión:")
print (now.strftime("%Y-%m-%d %H:%M:%S"))
Setup¶
In [2]:
import pandas as pd
import numpy as np
import pandas_profiling
from itertools import combinations
from dateutil.parser import parse
import matplotlib as mpl
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import seaborn as sns
import plotly
import plotly.express as px
In [3]:
#se define diccionario de colores
colors = dict({'G0':'blue',
'G1':'green',
'G2': 'orange',
'G3': 'grey',
'G4': 'red',
'G5': 'magenta'})
Importación de resultados¶
In [4]:
#se carga el dataframe con los resultados de 7 indicadores (todos los PCA considerados en k-medias):
resultados_ind7 = pd.read_csv("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/3_Agrupamiento-Kmeans/Resultados_Mun_Indic_PCA_Kmeans_Atip_ind7.csv", dtype={'EDO':int,'MUN':int})
#se carga el dataframe con los resultados de 7 indicadores, con log en LNE y Densidad_LNE (todos los PCA considerados en k-medias):
resultados_ind7_tf = pd.read_csv("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/3_Agrupamiento-Kmeans/Resultados_Mun_Indic_PCA_Kmeans_Atip_ind7_tf.csv", dtype={'EDO':int,'MUN':int})
#se aplica np.exp rn LNE y Densidad_LNE para volver a las magnitudes originales
resultados_ind7_tf['log(LNE)'] = np.floor(np.exp(resultados_ind7_tf['log(LNE)']))
resultados_ind7_tf['log(Densidad_LNE)'] = np.exp(resultados_ind7_tf['log(Densidad_LNE)'])
#renombramos algunas columnas
resultados_ind7_tf=resultados_ind7_tf.rename(columns={"log(LNE)": "LNE", "log(Densidad_LNE)": "Densidad_LNE"})
resultados_ind7_tf
Out[4]:
In [5]:
#se carga el dataframe con los resultados de 8 indicadores (todos los PCA considerados en k-medias):
resultados_ind8 = pd.read_csv("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/3_Agrupamiento-Kmeans/Resultados_Mun_Indic_PCA_Kmeans_Atip_ind8.csv", dtype={'EDO':int,'MUN':int})
#se carga el dataframe con los resultados de 8 indicadores, con log en LNE y Densidad_LNE (todos los PCA considerados en k-medias):
resultados_ind8_tf = pd.read_csv("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/3_Agrupamiento-Kmeans/Resultados_Mun_Indic_PCA_Kmeans_Atip_ind8_tf.csv", dtype={'EDO':int,'MUN':int})
#se aplica np.exp rn LNE y Densidad_LNE para volver a las magnitudes originales
resultados_ind8_tf['log(LNE)'] = np.floor(np.exp(resultados_ind8_tf['log(LNE)']))
resultados_ind8_tf['log(Densidad_LNE)'] = np.exp(resultados_ind8_tf['log(Densidad_LNE)'])
#renombramos algunas columnas
resultados_ind8_tf=resultados_ind8_tf.rename(columns={"log(LNE)": "LNE", "log(Densidad_LNE)": "Densidad_LNE"})
resultados_ind8_tf
Out[5]:
Rankings¶
Escenario 1: (7 indicadores)¶
In [6]:
#con pandas_profiling se crea una interface para visualizar un resumen del dataframe de los resultados
#resultados_ind7.profile_report()
In [7]:
#se ordenan y obtienen los 10 municipios por nivel de complejidad (descendente en CP1)
ranking_mun_top10_ind7 = resultados_ind7.sort_values(by='CP1 (ICE principal)', ascending=False).head(10)
#se guarda el ranking
ranking_mun_top10_ind7.to_csv(r'Resultados_Mun_ranking-top10_ind7.csv', index = None)
ranking_mun_top10_ind7
Out[7]:
In [8]:
#se obtienen los municipios de mayor complejidad (mayor CP1) para cada una de las 32 entidades
idx_rank_mun = resultados_ind7.groupby(['EDO'])['CP1 (ICE principal)'].transform(max) == resultados_ind7['CP1 (ICE principal)']
ranking_mun_edo = resultados_ind7[idx_rank_mun]
ranking_mun_edo.to_csv(r'Resultados_Mun_ranking-edo_ind7.csv', index = None)
ranking_mun_edo
Out[8]:
Animación de la proyección de los municipios en el espacio de las CP (tipología en color):
In [9]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind7,
x='CP1 (ICE principal)',
y='CP2 (segundo ICE)',
z='CP3 (tercer ICE)',
color='TCE_municipal',
color_discrete_map={
'G0':'blue',
'G1':'green',
'G2': 'orange',
'G3': 'grey',
'G4': 'red',
'G5': 'magenta'},
hover_name='NOMBRE_MUNICIPIO',
hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
xaxis_title='CP1 (ICE principal)',
yaxis_title='CP2 (segundo ICE)',
zaxis_title='CP3 (tercer ICE)'),
title="Proyección de los municipios en el espacio CP1-CP2-CP3 (7 indicadores)",
legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_ind7.html")
Animación de la proyección de los municipios en el espacio de las CP (atipicidad en color):
In [10]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind7,
x='CP1 (ICE principal)',
y='CP2 (segundo ICE)',
z='CP3 (tercer ICE)',
color='Atipicidad',
hover_name='NOMBRE_MUNICIPIO',
hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
xaxis_title='CP1 (ICE principal)',
yaxis_title='CP2 (segundo ICE)',
zaxis_title='CP3 (tercer ICE)'),
title="Proyección de los municipios en el espacio CP1-CP2-CP3 (7 indicadores)",
legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_Atip_ind7.html")
Escenario 2: (7 indicadores, con previa transformación log en LNE y Densidad_LNE)¶
In [11]:
#con pandas_profiling se crea una interface para visualizar un resumen del dataframe de los resultados
#resultados_ind7_tf.profile_report()
In [12]:
#se ordenan y obtienen los 10 municipios por nivel de complejidad (descendente en CP1)
ranking_mun_top10_ind7_tf = resultados_ind7_tf.sort_values(by='CP1 (ICE principal)', ascending=False).head(10)
#se guarda el ranking
ranking_mun_top10_ind7_tf.to_csv(r'Resultados_Mun_ranking-top10_ind7_tf.csv', index = None)
ranking_mun_top10_ind7_tf
Out[12]:
In [13]:
#se obtienen los municipios de mayor complejidad (mayor CP1) para cada una de las 32 entidades
idx_rank_mun = resultados_ind7_tf.groupby(['EDO'])['CP1 (ICE principal)'].transform(max) == resultados_ind7_tf['CP1 (ICE principal)']
ranking_mun_edo_tf = resultados_ind7_tf[idx_rank_mun]
ranking_mun_edo_tf.to_csv(r'Resultados_Mun_ranking-edo_ind7_tf.csv', index = None)
ranking_mun_edo_tf
Out[13]:
Animación de la proyección de los municipios en el espacio de las CP (tipología en color):
In [14]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind7_tf,
x='CP1 (ICE principal)',
y='CP2 (segundo ICE)',
z='CP3 (tercer ICE)',
color='TCE_municipal',
color_discrete_map={
'G0':'blue',
'G1':'green',
'G2': 'orange',
'G3': 'grey',
'G4': 'red',
'G5': 'magenta'},
hover_name='NOMBRE_MUNICIPIO',
hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
xaxis_title='CP1 (ICE principal)',
yaxis_title='CP2 (segundo ICE)',
zaxis_title='CP3 (tercer ICE)'),
title="Proyección de los municipios en el espacio CP1-CP2-CP3 (7 indicadores, con transformación log en LNE y Densidad_LNE)",
legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_ind7_tf.html")
Animación de la proyección de los municipios en el espacio de las CP (atipicidad en color):
In [15]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind7_tf,
x='CP1 (ICE principal)',
y='CP2 (segundo ICE)',
z='CP3 (tercer ICE)',
color='Atipicidad',
hover_name='NOMBRE_MUNICIPIO',
hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
xaxis_title='CP1 (ICE principal)',
yaxis_title='CP2 (segundo ICE)',
zaxis_title='CP3 (tercer ICE)'),
title="Proyección de los municipios en el espacio CP1-CP2-CP3 (7 indicadores, con transformación log en LNE y Densidad_LNE)",
legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_Atip_ind7_tf.html")
Escenario 3: (8 indicadores)¶
In [16]:
#con pandas_profiling se crea una interface para visualizar un resumen del dataframe de los resultados
#resultados_ind8.profile_report()
In [17]:
#se ordenan y obtienen los 10 municipios por nivel de complejidad (descendente en CP1)
ranking_mun_top10_ind8 = resultados_ind8.sort_values(by='CP1 (ICE principal)', ascending=False).head(10)
#se guarda el ranking
ranking_mun_top10_ind8.to_csv(r'Resultados_Mun_ranking-top10_ind8.csv', index = None)
ranking_mun_top10_ind8
Out[17]:
In [18]:
#se obtienen los municipios de mayor complejidad (mayor CP1) para cada una de las 32 entidades
idx_rank_mun = resultados_ind8.groupby(['EDO'])['CP1 (ICE principal)'].transform(max) == resultados_ind8['CP1 (ICE principal)']
ranking_mun_edo = resultados_ind8[idx_rank_mun]
ranking_mun_edo.to_csv(r'Resultados_Mun_ranking-edo_ind8.csv', index = None)
ranking_mun_edo
Out[18]:
Animación de la proyección de los municipios en el espacio de las CP (tipología en color):
In [19]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind8,
x='CP1 (ICE principal)',
y='CP2 (segundo ICE)',
z='CP3 (tercer ICE)',
color='TCE_municipal',
color_discrete_map={
'G0':'blue',
'G1':'green',
'G2': 'orange',
'G3': 'grey',
'G4': 'red',
'G5': 'magenta'},
hover_name='NOMBRE_MUNICIPIO',
hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
xaxis_title='CP1 (ICE principal)',
yaxis_title='CP2 (segundo ICE)',
zaxis_title='CP3 (tercer ICE)'),
title="Proyección de los municipios en el espacio CP1-CP2-CP3 (8 indicadores)",
legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_ind8.html")
Animación de la proyección de los municipios en el espacio de las CP (atipicidad en color):
In [20]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind8,
x='CP1 (ICE principal)',
y='CP2 (segundo ICE)',
z='CP3 (tercer ICE)',
color='Atipicidad',
hover_name='NOMBRE_MUNICIPIO',
hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
xaxis_title='CP1 (ICE principal)',
yaxis_title='CP2 (segundo ICE)',
zaxis_title='CP3 (tercer ICE)'),
title="Proyección de los municipios en el espacio CP1-CP2-CP3 (8 indicadores)",
legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_Atip_ind8.html")
Escenario 4: (8 indicadores, con previa transformación log en LNE y Densidad_LNE)¶
In [21]:
#con pandas_profiling se crea una interface para visualizar un resumen del dataframe de los resultados
#resultados_ind8_tf.profile_report()
In [22]:
#se ordenan y obtienen los 10 municipios por nivel de complejidad (descendente en CP1)
ranking_mun_top10_ind8_tf = resultados_ind8_tf.sort_values(by='CP1 (ICE principal)', ascending=False).head(10)
#se guarda el ranking
ranking_mun_top10_ind8_tf.to_csv(r'Resultados_Mun_ranking-top10_ind8_tf.csv', index = None)
ranking_mun_top10_ind8_tf
Out[22]:
In [23]:
#se obtienen los municipios de mayor complejidad (mayor CP1) para cada una de las 32 entidades
idx_rank_mun = resultados_ind8_tf.groupby(['EDO'])['CP1 (ICE principal)'].transform(max) == resultados_ind8_tf['CP1 (ICE principal)']
ranking_mun_edo_tf = resultados_ind8_tf[idx_rank_mun]
ranking_mun_edo_tf.to_csv(r'Resultados_Mun_ranking-edo_ind8_tf.csv', index = None)
ranking_mun_edo_tf
Out[23]:
Animación de la proyección de los municipios en el espacio de las CP (tipología en color):
In [24]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind8_tf,
x='CP1 (ICE principal)',
y='CP2 (segundo ICE)',
z='CP3 (tercer ICE)',
color='TCE_municipal',
color_discrete_map={
'G0':'blue',
'G1':'green',
'G2': 'orange',
'G3': 'grey',
'G4': 'red',
'G5': 'magenta'},
hover_name='NOMBRE_MUNICIPIO',
hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
xaxis_title='CP1 (ICE principal)',
yaxis_title='CP2 (segundo ICE)',
zaxis_title='CP3 (tercer ICE)'),
title="Proyección de los municipios en el espacio CP1-CP2-CP3 (8 indicadores, con transformación log en LNE y Densidad_LNE)",
legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_ind8_tf.html")
Animación de la proyección de los municipios en el espacio de las CP (atipicidad en color):
In [25]:
eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
#3-d scatter plot con plotly
fig = px.scatter_3d(resultados_ind8_tf,
x='CP1 (ICE principal)',
y='CP2 (segundo ICE)',
z='CP3 (tercer ICE)',
color='Atipicidad',
hover_name='NOMBRE_MUNICIPIO',
hover_data = eti)
fig.update_traces(mode='markers', marker_line_width=1, marker_size=3)
fig.update_layout(scene = dict(
xaxis_title='CP1 (ICE principal)',
yaxis_title='CP2 (segundo ICE)',
zaxis_title='CP3 (tercer ICE)'),
title="Proyección de los municipios en el espacio CP1-CP2-CP3 (8 indicadores, con transformación log en LNE y Densidad_LNE)",
legend_orientation="h")
fig.show()
#salvar animación en html
fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Proyeccion3d_Mun_Atip_ind8_tf.html")
Mapas con geopandas¶
In [26]:
import geopandas as gpd
#se carga la cartografía se municipios (shapefile)
fp = "C:/Users/miguel.alvarez/Google Drive/Cartografias/Cartografia INE/municipio.shp"
mapa_mun = gpd.read_file(fp)
#type(mapa_mun)
#mapa_mun
In [27]:
#se cambia la columna id con la concatenación de entidad+municipio
mapa_mun["id"] = mapa_mun["entidad"].astype(str) + mapa_mun["municipio"].astype(str)
mapa_mun
Out[27]:
In [28]:
#muestra de la cartografía de municipios
plt.rcParams['figure.figsize'] = [50, 70]
mapa_mun.plot(edgecolor='black')
Out[28]:
In [29]:
#se guarda shapefile en geojson
#mapa_mun.to_file("municipios.geojson", driver='GeoJSON')
In [30]:
#se lee el geojson para despues usar en plotly
import json
with open('C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/municipios.geojson') as f:
municipios_s = json.load(f)
#print(municipios_s["features"][0])
#print(municipios_s["features"][0]["properties"])
#municipios_s
In [31]:
#se carga la cartografía de estados (shapefile)
fp2 = "C:/Users/miguel.alvarez/Google Drive/Cartografias/Cartografia INE/entidad.shp"
mapa_edo = gpd.read_file(fp2)
#type(mapa_edo)
mapa_edo["id"] = mapa_edo["entidad"].astype(str)
mapa_edo.head()
Out[31]:
In [32]:
#muestra de la cartografía de estados
plt.rcParams['figure.figsize'] = [50, 70]
mapa_edo.plot(edgecolor='black')
Out[32]:
Escenario 1: Mapas de TCE y atipicidad (7 indicadores)¶
In [33]:
#se agrega una column id a resultados_ind7
resultados_ind7["id"] = resultados_ind7["EDO"].astype(str) + resultados_ind7["MUN"].astype(str)
#se une con mapa_mun
mapa_mun_ind7 = mapa_mun.merge(resultados_ind7, how='inner',on=['id'])
mapa_mun_ind7.head()
Out[33]:
In [35]:
#mapa tipología
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind7.plot(ax=base,
color=mapa_mun_ind7['TCE_municipal'].apply(lambda x: colors[x]),
categorical=True,
edgecolor='white',
legend=True)
plt.savefig('Pyplotly_Mapa_Mun_TCE_ind7.png', dpi=400, bbox_inches='tight')
In [36]:
#mapa municipios atípicos
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind7.plot(ax=base,
column='Atipicidad',
categorical=True,
edgecolor='white',
legend=True)
plt.savefig('Pyplotly_Mapa_Mun_Ati_ind7.png', dpi=400, bbox_inches='tight')
Escenario 2: Mapas de TCE y atipicidad (7 indicadores, con transformación log en LNE y Densidad_LNE)¶
In [37]:
#se agrega una column id a resultados_ind7_tf
resultados_ind7_tf["id"] = resultados_ind7_tf["EDO"].astype(str) + resultados_ind7_tf["MUN"].astype(str)
#se une con mapa_mun
mapa_mun_ind7_tf = mapa_mun.merge(resultados_ind7_tf, how='inner',on=['id'])
mapa_mun_ind7_tf
Out[37]:
In [38]:
mapa_mun_ind7_tf.id.nunique()
Out[38]:
In [39]:
#mapa tipología
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind7_tf.plot(ax=base,
color=mapa_mun_ind7_tf['TCE_municipal'].apply(lambda x: colors[x]),
categorical=True,
edgecolor='white',
legend=True)
plt.savefig('Pyplotly_Mapa_Mun_TCE_ind7_tf.png', dpi=400, bbox_inches='tight')
In [40]:
#mapa municipios atípicos
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind7_tf.plot(ax=base,
column='Atipicidad',
categorical=True,
edgecolor='white',
legend=True)
plt.savefig('Pyplotly_Mapa_Mun_Ati_ind7_tf.png', dpi=400, bbox_inches='tight')
Escenario 3: Mapas de TCE y atipicidad (8 indicadores)¶
In [41]:
#se agrega una column id a resultados_ind8
resultados_ind8["id"] = resultados_ind8["EDO"].astype(str) + resultados_ind8["MUN"].astype(str)
#se une con mapa_mun
mapa_mun_ind8 = mapa_mun.merge(resultados_ind8, how='inner',on=['id'])
mapa_mun_ind8.head()
Out[41]:
In [42]:
#mapa tipología
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind8.plot(ax=base,
color=mapa_mun_ind8['TCE_municipal'].apply(lambda x: colors[x]),
categorical=True,
edgecolor='white',
legend=True)
plt.savefig('Pyplotly_Mapa_Mun_TCE_ind8.png', dpi=400, bbox_inches='tight')
In [43]:
#mapa municipios atípicos
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind8.plot(ax=base,
column='Atipicidad',
categorical=True,
edgecolor='white',
legend=True)
plt.savefig('Pyplotly_Mapa_Mun_Ati_ind8.png', dpi=400, bbox_inches='tight')
Escenario 4: Mapas de TCE y atipicidad (8 indicadores, con previa transformación log en LNE y Densidad_LNE)¶
In [44]:
#se agrega una column id a resultados_ind8
resultados_ind8_tf["id"] = resultados_ind8_tf["EDO"].astype(str) + resultados_ind8_tf["MUN"].astype(str)
#se une con mapa_mun
mapa_mun_ind8_tf = mapa_mun.merge(resultados_ind8_tf, how='inner',on=['id'])
mapa_mun_ind8_tf.head()
Out[44]:
In [45]:
#mapa tipología
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind8_tf.plot(ax=base,
color=mapa_mun_ind8_tf['TCE_municipal'].apply(lambda x: colors[x]),
categorical=True,
edgecolor='white',
legend=True)
plt.savefig('Pyplotly_Mapa_Mun_TCE_ind8_tf.png', dpi=400, bbox_inches='tight')
In [46]:
#mapa municipios atípicos
base = mapa_edo.plot(facecolor="none", edgecolor='black')
mapa_mun_ind8_tf.plot(ax=base,
column='Atipicidad',
categorical=True,
edgecolor='white',
legend=True)
plt.savefig('Pyplotly_Mapa_Mun_Ati_ind8_tf.png', dpi=400, bbox_inches='tight')
Mapas con plotly¶
Escenario 1¶
In [47]:
#mapa de TCE (demasiado pesado el archivo para visualizar en explorador)
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind7, geojson=municipios_s,
# locations='id', featureidkey="properties.id",
# color='TCE_municipal',
# color_discrete_map={
# 'G0':'blue',
# 'G1':'green',
# 'G2': 'orange',
# 'G3': 'grey',
# 'G4': 'red',
# 'G5': 'magenta'},
# hover_name='NOMBRE_MUNICIPIO',
# hover_data = eti,
# title = 'TCE municipal (7 indicadores)')
# fig.update_geos(fitbounds="locations",
# visible=False,
# showcountries=True,
# countrycolor="Black", showsubunits=True,
# subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_ind7.html")
Escenario 2¶
In [48]:
#mapa de TCE
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind7_tf, geojson=municipios_s,
# locations='id', featureidkey="properties.id",
# color='TCE_municipal',
# color_discrete_map={
# 'G0':'blue',
# 'G1':'green',
# 'G2': 'orange',
# 'G3': 'grey',
# 'G4': 'red',
# 'G5': 'magenta'},
# hover_name='NOMBRE_MUNICIPIO',
# hover_data = eti,
# title = 'TCE municipal (7 indicadores, con transformación log en LNE y Densidad_LNE)')
# fig.update_geos(fitbounds="locations",
# visible=False,
# showcountries=True,
# countrycolor="Black", showsubunits=True,
# subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_ind7_tf.html")
In [49]:
# #mapa de atipicidad
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE','Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind7_tf, geojson=municipios_s,
# locations='id', featureidkey="properties.id",
# color='Atipicidad',
# color_discrete_sequence= px.colors.sequential.Reds,
# hover_name='NOMBRE_MUNICIPIO',
# hover_data = eti,
# title = 'Mapa municipios atípicos (7 indicadores, con transformación log en LNE y Densidad_LNE)')
# fig.update_geos(fitbounds="locations",
# visible=True,
# showcountries=True,
# countrycolor="Black",
# showsubunits=True,
# subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_Atip_ind7_tf.html")
Escenario 3¶
In [50]:
# #mapa de TCE
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind8, geojson=municipios_s,
# locations='id', featureidkey="properties.id",
# color='TCE_municipal',
# color_discrete_map={
# 'G0':'blue',
# 'G1':'green',
# 'G2': 'orange',
# 'G3': 'grey',
# 'G4': 'red',
# 'G5': 'magenta'},
# hover_name='NOMBRE_MUNICIPIO',
# hover_data = eti,
# title = 'TCE municipal (8 indicadores)')
# fig.update_geos(fitbounds="locations",
# visible=False,
# showcountries=True,
# countrycolor="Black", showsubunits=True,
# subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_ind8.html")
Escenario 4¶
In [51]:
# #mapa de TCE
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind8_tf, geojson=municipios_s,
# locations='id', featureidkey="properties.id",
# color='TCE_municipal',
# color_discrete_map={
# 'G0':'blue',
# 'G1':'green',
# 'G2': 'orange',
# 'G3': 'grey',
# 'G4': 'red',
# 'G5': 'magenta'},
# hover_name='NOMBRE_MUNICIPIO',
# hover_data = eti,
# title = 'TCE municipal (8 indicadores, con transformación log en LNE y Densidad_LNE)')
# fig.update_geos(fitbounds="locations",
# visible=False,
# showcountries=True,
# countrycolor="Black", showsubunits=True,
# subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_ind8_tf.html")
In [52]:
# #mapa de atipicidad
# eti=['NOMBRE_ESTADO','NUM_SECC_RUR', 'LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE', 'CP1 (ICE principal)', 'CP2 (segundo ICE)', 'CP3 (tercer ICE)', 'TCE_municipal', 'Atipicidad']
# fig = px.choropleth(resultados_ind8_tf, geojson=municipios_s,
# locations='id', featureidkey="properties.id",
# color='Atipicidad',
# color_discrete_sequence= px.colors.sequential.Reds,
# hover_name='NOMBRE_MUNICIPIO',
# hover_data = eti,
# title = 'Mapa municipios atípicos (8 indicadores, con transformación log en LNE y Densidad_LNE)')
# fig.update_geos(fitbounds="locations",
# visible=False,
# showcountries=True,
# countrycolor="Black",
# showsubunits=True,
# subunitcolor="Blue")
# #fig.show()
# fig.write_html("C:/Users/miguel.alvarez/Google Drive/INFOTEC/Proyecto/Code-Data/Mun/4_Resumen-Mapas/Pyplotly_Mapa_Mun_Atip_ind8_tf.html")